近年来激光扫描系统与传感器技术快速发展,促使3D点云数据获取越来越便捷,点云处理技术应用也越来越广泛。从海量点云中提取有效的边缘特征为进一步提高机器视觉应用的精度创造了可能,因此点云边缘检测日益成为点云处理技术中的重要研究方向。为此,本文将点云模型的边缘检测作为重点研究内容,主要工作如下:(1)针对现有点云特征描述子维度高、计算复杂以及点云数据量大的问题,提出了基于曲率密度的局部边缘特征描述子(LEFD),在增强了点云局部区域特征表达的同时降低了计算复杂度。利用该描述子能够有效辨别特征点与非特征点。在构建描述子阶段将邻域平均密度代替点密度,增强了描述子的稳健性。针对描述子阈值设定难以把控的问题,本文根据输入点云的LEFD特征分布规律自动寻找最优解,降低了人工调参带来的误差。通过实验证明了该描述子具有一定的鲁棒性和较强的边缘描述能力。(2)针对现有边缘检测算法在计算点特征时设置固定邻域,导致点特征计算不准确的问题,提出了基于法向量变化率的邻域自适应选择算法。该算法可以根据查询点所在局部位置的法向量夹角均值(MANV)特征和法向量变化率自动设置最佳邻域,提高几何特征计算准确率。针对现有边缘检测算法自动化程度较低的问题,本文结合邻域自适应选择算法和LEFD描述子提出了基于LEFD的自适应边缘检测算法,该算法不依赖于手动调参,能够根据输入点云的分布特征自适应调节有关参数。通过实验证明了该算法对输入的点云模型具有一定的适应能力。(3)针对目前缺乏标准模型的轮轨接触点云数据,构建了轮轨点云数据集。在轮轨点云预处理阶段,针对经典点云采样算法难以保留点云尖锐特征的问题,提出了基于体素网格和曲率特征的非均匀采样方法。通过划分栅格避免精简后的点云在平坦区域出现空洞现象,同时确保较大程度的保留特征区域的数据点。通过实验证明了使用该方法精简后的点云特征区域和非特征区域的差异更加明显,有利于边缘特征提取工作,也证明了本文边缘检测算法对于轮轨接触关系测量具有一定的参考价值和意义。